Pokročilé strojové učení s R Počítačový Kurz

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé datové vědce, inženýry strojového učení, výzkumníky hlubokého učení a odborníky na počítačové vidění, kteří si chtějí rozšířit své znalosti a dovednosti v oblasti hlubokého učení. pro generování textu na obrázek.

Na konci tohoto školení budou účastníci schopni:

• Pochopte pokročilé architektury hlubokého učení a techniky pro generování textu na obrázek.
• Implementujte složité modely a optimalizace pro vysoce kvalitní syntézu obrazu.
• Optimalizujte výkon a škálovatelnost pro velké datové sady a složité modely.
• Vylaďte hyperparametry pro lepší výkon modelu a zobecnění.
• Integrujte Stable Diffusion s dalšími rámci a nástroji hlubokého učení

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na biology, kteří chtějí porozumět tomu, jak AlphaFold funguje, a používat modely AlphaFold jako průvodce ve svých experimentálních studiích.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní principy AlphaFold.
• Přečtěte si, jak funguje AlphaFold.
• Naučte se interpretovat AlphaFold předpovědi a výsledky.

Caffe je rámec pro hluboké učení vytvořený s ohledem na výraz, rychlost a modularitu.

Tento kurz zkoumá aplikaci Caffe jako rámce hlubokého učení pro rozpoznávání obrazu na příkladu MNIST

Publikum

Tento kurz je vhodný pro Deep Learning výzkumníky a inženýry, kteří se zajímají o využití Caffe jako frameworku.

Po absolvování tohoto kurzu budou delegáti schopni:

porozumět struktuře a mechanismům nasazení Caffe provádět instalace / produkční prostředí / úkoly architektury a konfigurace hodnotit kvalitu kódu, provádět ladění, monitorovat implementovat pokročilou produkci, jako jsou tréninkové modely, implementace vrstev a protokolování

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na výzkumníky a vývojáře, kteří chtějí používat Chainer k budování a trénování neuronových sítí v Python a zároveň usnadňovat ladění kódu.

Na konci tohoto školení budou účastníci schopni:

• Nastavte potřebné vývojové prostředí pro zahájení vývoje modelů neuronových sítí.
• Definujte a implementujte modely neuronových sítí pomocí srozumitelného zdrojového kódu.
• Provádějte příklady a upravujte stávající algoritmy, abyste optimalizovali tréninkové modely hlubokého učení a zároveň využili GPU pro vysoký výkon.

Computer Network ToolKit (CNTK) je Microsoft vysoce účinný RNN tréninkový systém strojového učení pro řeč, text a obrázky s otevřeným zdrojovým kódem, vícestrojový, vícenásobnýGPU.

Publikum

Tento kurz je zaměřen na inženýry a architekty, kteří chtějí využít CNTK ve svých projektech.

Publikum

Tento kurz je vhodný pro Deep Learning výzkumníky a inženýry, kteří se zajímají o využití dostupných nástrojů (většinou open source) pro analýzu počítačových obrazů

Tento kurz poskytuje pracovní příklady.

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé vývojáře, datové vědce a odborníky na umělá rozumění, kteří chtějí využít TensorFlow Lite pro aplikace s hranicemi AI.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům TensorFlow Lite a jeho roli v hranicích AI.
• Vytvářet a optimalizovat AI modely pomocí TensorFlow Lite.
• Nasazovat modely TensorFlow Lite na různé zařízení s hranicemi.
• Používat nástroje a techniky pro převod a optimalizaci modelu.
• Implementovat praktické aplikace s hranicemi AI pomocí TensorFlow Lite.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí urychlit aplikace strojového učení v reálném čase a nasadit je ve velkém měřítku.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte sadu nástrojů OpenVINO.
• Urychlete aplikaci počítačového vidění pomocí FPGA.
• Proveďte různé vrstvy CNN na FPGA.
• Škálujte aplikaci napříč více uzly v clusteru Kubernetes.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře nebo datové vědce, kteří chtějí použít Horovod k provádění distribuovaných školení hlubokého učení a rozšířit je tak, aby probíhaly paralelně v několika GPU .

Na konci tohoto školení budou účastníci schopni:

• Nastavte potřebné vývojové prostředí, abyste mohli zahájit školení hlubokého učení.
• Nainstalujte a nakonfigurujte Horovod pro trénování modelů s TensorFlow, Keras, PyTorch a Apache MXNet.
• Škálujte trénink hlubokého učení pomocí Horovod tak, aby běžel na více GPUs.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby, které chtějí aplikovat model hlubokého učení na aplikace pro rozpoznávání obrázků.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Keras.
• Rychle vytvořte prototyp modelů hlubokého učení.
• Implementujte konvoluční síť.
• Implementujte rekurentní síť.
• Spusťte model hlubokého učení na CPU i GPU.

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, inženýry strojového učení a výzkumníky počítačového vidění, kteří chtějí využít Stable Diffusion k vytvoření vysoce kvalitních obrázků pro různé případy použití.

Na konci tohoto školení budou účastníci schopni:

• Pochopte principy Stable Diffusion a jak to funguje pro generování obrázků.
• Vytvářejte a trénujte Stable Diffusion modely pro úlohy generování obrázků.
• Aplikujte Stable Diffusion na různé scénáře generování obrázků, jako je malování, překreslování a překlad z obrázku na obrázek.
• Optimalizujte výkon a stabilitu Stable Diffusion modelů.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na inženýry, kteří chtějí psát, načítat a spouštět modely strojového učení na velmi malých vestavěných zařízeních.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte TensorFlow Lite.
• Nahrajte modely strojového učení do vestavěného zařízení, aby bylo možné detekovat řeč, klasifikovat obrázky atd.
• Přidejte AI do hardwarových zařízení, aniž byste se spoléhali na síťové připojení.

TensorFlow je API druhé generace Google open source softwarové knihovny pro Deep Learning. Systém je navržen tak, aby usnadnil výzkum v oblasti strojového učení a aby byl rychlý a snadný přechod od výzkumného prototypu k produkčnímu systému.

Publikum

Tento kurz je určen pro inženýry, kteří chtějí použít TensorFlow pro své projekty Deep Learning

Po absolvování tohoto kurzu budou delegáti:

porozumět struktuře a mechanismům nasazení TensorFlow být schopen provádět úlohy instalace / produkčního prostředí / architektury a konfigurace být schopen posuzovat kvalitu kódu, provádět ladění, monitorování být schopen implementovat pokročilou produkci, jako jsou tréninkové modely, vytváření grafů a protokolování

Tento kurz na konkrétních příkladech zkoumá použití Tensor Flow pro účely rozpoznávání obrazu

Publikum

Tento kurz je určen pro inženýry, kteří chtějí využít TensorFlow pro účely rozpoznávání obrazu

Po absolvování tohoto kurzu budou delegáti schopni:

porozumět struktuře a mechanismům nasazení TensorFlow provádět instalaci / produkční prostředí / architekturu a konfiguraci hodnotit kvalitu kódu, provádět ladění, monitorovat implementovat pokročilou produkci, jako jsou tréninkové modely, vytváření grafů a protokolování

TensorFlow™ je open source softwarová knihovna pro numerické výpočty pomocí grafů toku dat.

SyntaxNet je neural-network Natural Language Processing framework pro TensorFlow.

Word2Vec se používá pro učení vektorové reprezentace slov, nazývané "word embeddings". Word2vec je obzvláště výpočetně efektivní prediktivní model pro učení slovních vložek z surového textu. Přichází ve dvou chutích, kontinuálním modelu Bag-of-Words (CBOW) a modelu Skip-Gram (Kapitola 3.1 a 3.2 v Mikolov et al.a)

SyntaxNet a Word2Vec umožňují uživatelům vytvářet modely učení z přirozeného jazyka.

publikum

Tento kurz je zaměřen na vývojáře a inženýry, kteří mají v úmyslu pracovat s SyntaxNet a Word2Vec modely v jejich TensorFlow grafy.

Po dokončení tohoto kurzu budou delegáty:

• pochopit TensorFlow strukturu a mechanismy implementace’s
• schopnost provádět instalaci / výrobní prostředí / architektonické úkoly a konfigurace
• schopnost posoudit kvalitu kódu, provádět debugování, monitorování
• být schopen implementovat pokročilé výrobní modely, jako jsou tréninkové modely, termíny, stavební grafy a logování